Enhancing Environmental Noise Management Through Siamese Convolutional Neural Network with Triplet Lost Function for Identification of Principal Sound Sources
Notice bibliographique
Résumé
Identifying principal noise sources in distant fields is a challenging task due to the convergence of multiple sound sources and the degradation of acoustic signals over distance. This task becomes critical in industrial environments, where adherence to noise regulations is mandatory. Conforming to noise regulations can result in decreased productivity or even necessitate cessation of operations, significantly impacting the industry and the surrounding communities. Our goal, in response to these issues, is to develop a tool to facilitate a highly refined analysis of the causality relationship between industrially produced noise and operational productivity. Our approach is characterized by the robust identification of dominant noise sources in complex soundscapes, with a focus on specific sound events rather than locations or equipment types. To achieve this, we utilize Siamese Convolutional Neural Networks (SCNNs) with a triplet loss function. In our methodology, near-field captures from noisy equipment are used as anchors. The anchors are compared with both positive and negative instances captured by environmental noise monitoring stations in distant sound fields. Positive instances refer to those where the sound event produced by the equipment under study dominates, while negative instances are those where the anchor sound is present but not dominant. Preliminary results are promising, indicating that it is possible to discern among various near-field captures to identify the primary contributor to the noise detected outside an industrial plant. With real-time identification and loop back as the next goals, this study paves the way for more advanced noise monitoring, presenting its potential significant role in shaping noise management strategies within industrial contexts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».